Beyond Traditional Single Object Tracking: A Survey

单目标跟踪是许多关键领域应用的重要任务，但仍被认为是最具挑战性的视觉任务之一。近年来，计算机视觉，特别是目标跟踪，见证了许多新技术的引入或采用，为性能设置了新的前沿。在本调查中，我们介绍了一些视觉领域的前沿技术，例如序列模型、生成模型、自监督学习、无监督学习、强化学习、元学习、持续学习和域自适应，并重点关注它们在单目标跟踪中的应用。我们提出了一种基于新技术和趋势的单目标跟踪方法的新分类方法。此外，我们对所介绍的方法在流行的跟踪基准测试中报告的性能进行了比较分析。此外，我们分析了所介绍方法的优缺点，并提供了一个非传统技术在单目标跟踪中的指南。最后，我们建议未来单目标跟踪研究的潜在方向。

该论文旨在介绍单目标跟踪中的一些前沿技术和趋势，并提出一种新的分类方法，以便更好地理解和比较这些技术的性能。

该论文介绍了一些新的技术和趋势，如序列模型、生成模型、自监督学习、无监督学习、强化学习、元学习、持续学习和领域自适应等，这些技术可以应用于单目标跟踪，并提出了一种新的分类方法。

论文对这些技术在流行的跟踪基准上的性能进行了比较分析，并分析了这些方法的优缺点。此外，论文还提供了一个指南，以帮助人们更好地理解单目标跟踪中的非传统技术，并提出了未来研究的潜在方向。

最近在这个领域中，还有一些相关的研究，例如：Learning Dynamic Siamese Network for Visual Object Tracking、SiamMask: Fast Online Object Tracking and Segmentation、ATOM: Accurate Tracking by Overlap Maximization、等等。